[发明专利]基于人工智能的胃内窥活检拉曼图像辅助诊断方法和系统

说明书

本发明属于医疗设备技术领域，具体为一种基于人工智能的胃内窥活检拉曼图像辅助诊断方法和系统。本发明首次把人工智能技术用于胃镜受激拉曼散射内窥活检组织图像辅助诊断中，利用受激拉曼散射显微成像技术获取组织病理学图像信息后，采用基于深度学习神经网络及机器学习的图像分类和影像组学数据分析，构建胃内窥活检拉曼图像辅助诊断系统；本发明系统包括胃组织拉曼图像数据预处理模块、包含神经网络模型及其训练的算法模块、神经网络微调模块、测试模块；相比于现在传统内镜诊疗系统，其优点体现在：实现内镜检查过程中的实时、快速、智能诊断支持，而无需病理学家进行解释。

技术领域

本发明属于医疗设备技术领域，具体涉及一种基于人工智能的胃内窥活检拉曼图像辅助诊断方法和系统。

背景技术

胃癌是影响人类健康的重大疾病。据全国肿瘤登记中心最新年报显示，胃癌每年新发病人数超68万人，死亡约50万人，现已成为我国第二大致死性肿瘤。胃癌防控的关键在于早诊早治。及时发现早癌，延缓和逆转癌前病变可有效降低胃癌的发生率和病死率。胃早癌和癌前病变单靠内镜观察形态不能确诊，当前必须依靠病理组织检查，即采用“内镜+活检”模式。然而该模式具有明显的时间滞后性和主观性，与当前医疗服务需求已不相适应。对于医生，无法在内镜检查的同时得到病理诊断结果，无法为患者提供快速诊疗服务和治疗指导；对于患者，二次就诊、排队、挂号，增加经济花费和时间成本。同时，病理诊断严重依赖病理医生诊断水平，主观性强。对于早癌这类疑难病诊断，对诊断医师技术要求很高。因此，建立可比拟病理金标准的胃癌的实时快速诊断系统，创新与快速检查相称的诊断方法，对于变革当前胃癌内镜诊断模式具有重大科学意义和现实需求。

当前胃癌内镜诊断模式由于胃癌及癌前病变缺乏明显的形态特征，单靠内镜下表现无法明确，必须依靠组织病理诊断。而后者需要经历脱水、包埋、切片、染色、阅片等多个步骤，具有明显的时间滞后性。但是由于胃癌及癌前病变缺乏明显的形态特征，单靠内镜下表现无法明确，必须依靠组织病理诊断。而后者需要经历脱水、包埋、切片、染色、阅片等多个步骤，具有明显的时间滞后性。在大型医院、病理报告往往要在内镜检查数日后才可取得，内镜医生无法实现在内镜检查的同时实现病变的快速诊断，从而无法给患者提供即时的诊疗建议。

随着机器学习理论发展和GPU技术突破，特别是神经网络取得的进步，人工智能近些年得到了飞速的发展极大地节约人力、提高工作效率和准确率。通过多重非线性变换构成的多层神经网络结构对数据进行高层抽象，并通过含有多层感知器通过组合低层特征形成更加抽象的高层表示属性类别或特征，人工智能可以模仿一定的人脑处理机制，特别是对复杂图像和甄别和细微特征的提取。比如我们熟知的“证件识别”“号牌识别”“人脸识别”等。

近两年，AI在医疗诊断领域的潜力愈加受到重视。2016年，Google与加州大学合作在医学顶级期刊《JAMA》发表结果，通过13万张视网膜照片的训练，使AI学会自动检测糖尿病视网膜病变和视网膜黄斑水肿。其识别病变的特异性和灵敏度与眼科专家不相上下。前不久，斯坦福大学在《Nature》上发表了利用深度学习算法诊断皮肤癌的研究报告，利用深度学习算法诊断皮肤癌。结果表明AI 在皮肤癌诊断方面特异性和灵敏度甚至高于医学专家，诊断准确度可达91%。前期，项目团队成员利用深度学习及迁移学习方法已在乳腺癌钼靶智能诊断上实现了准确率85%，迁移学习准确率87.5%的初步研究成果。同时，团队成员采用CNN网络实现了对多种微小隐匿物的检测，准确率达到95.6%，recall达到0.976，F-measure达到0.969，以上研究结果为受激拉曼图像的分析和智能识别提供了方法基础。

由于拉曼成像的图片和光谱数据较为复杂且无成熟大样本的数据积累和总结，临床解读十分困难。临床医生“看不懂”成为当前阻碍拉曼技术临床推进的主要原因。因此，利用人工智能技术和大数据分析总结，将有助于转化拉曼结果为医生可“读懂”的诊断结论，也是推动拉曼技术和人工智能技术服务于临床的关键。

发明内容

本发明的目的在于为胃癌内镜诊断提供一种实时、快速的胃内窥活检拉曼图像辅助诊断方法和系统。